مقایسه مدلهای شبکه عصبی مصنوعی و یادگیری عمیق در مدلسازی بارش-رواناب رودخانه کشفرود و پیشبینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه
|
محمد حسین شاهانی ، وحید رضاوردی نژاد ، سید عباس حسینی |
دانشگاه ارومیه ، v.verdinejad@urmia.ac.ir |
|
چکیده: (987 مشاهده) |
هدف از این تحقیق مقایسه عملکرد مدلهای شبکه عصبی مصنوعی (ANN) و شبکه عصبی عمیق (DNN) در مدلسازی بارش-رواناب رودخانه کشفرود و پیشبینی اثر تغییر اقلیم بر پارامترهای هواشناسی و دبی رودخانه میباشد. بدین منظور عملکرد دو مدل از شبکه عصبی مصنوعی (MLP) و یادگیری عمیق (CNN) در مدلسازی بارش-رواناب با ورودیهایی از بارش و دبی روزانه با تاخیرهای مختلف با یکدیگر مقایسه شد. سپس از پیشبینی مدل LARS-WG6 در دوره آتی (2021-2040) در سناریوهای مختلف تغییر اقلیم (RCP26، RCP45 و RCP85) به عنوان ورودی مدل هوش مصنوعی برتر استفاده شده و دبی رودخانه و مقادیر حدی آن پیشبینی گردید. یافتههای تحقیق نشان داد که مدل CNN با ورودی بارندگی با تاخیر صفر تا 2 روز و دبی رودخانه با تاخیر 1 روز بهترین عملکرد را در مدلسازی دبی رودخانه داشت. پیشبینیهای LARS-WG6 نشان داد که افزایش حداقل و حداکثر دما در آینده در ماههای مختلف در محدوده 3/0 تا 1/2 درجه سانتیگراد خواهد بود. بارندگی سالانه در همه سناریوهای تغییر اقلیم در آینده افزایش خواهد یافت. بیشترین افزایش بارندگی سالانه در آینده نسبت به دوره پایه در سناریوی RCP26 به میزان 14% خواهد بود و حداکثر دبی در سناریوی مذکور حدود 18 درصد افزایش خواهد یافت.
|
|
واژههای کلیدی: بارش-رواناب، تغییر اقلیم، شبکه عصبی مصنوعی، کشفرود، یادگیری عمیق |
|
متن کامل [PDF 4544 kb]
(139 دریافت)
|
نوع مطالعه: پژوهشي |
موضوع مقاله:
هیدرولوژی و برنامه ریزی منابع آب
|
|
|
|